Fugu-MT 論文翻訳(概要): RadField3D: A Data Generator and Data Format for Deep Learning in Radiation-Protection Dosimetry for Medical Applications

論文の概要: RadField3D: A Data Generator and Data Format for Deep Learning in Radiation-Protection Dosimetry for Medical Applications

arxiv url: http://arxiv.org/abs/2412.13852v1
Date: Wed, 18 Dec 2024 13:47:37 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-19 16:47:34.357477
Title: RadField3D: A Data Generator and Data Format for Deep Learning in Radiation-Protection Dosimetry for Medical Applications
Title（参考訳）: RadField3D:医療応用のための放射線検出線量測定における深層学習のためのデータジェネレータとデータフォーマット
Authors: Felix Lehner, Pasquale Lombardo, Susana Castillo, Oliver Hupe, Marcus Magnor,
Abstract要約: ドシメトリのための3次元放射場データセットを生成するために,オープンソースのGeant4ベースのモンテカルロシミュレーションアプリケーションRadField3Dを提案する。伴って、RadFiled3Dと呼ばれるニューラルネットワーク研究への統合を容易にするために、Python APIを使った高速で機械解釈可能なデータフォーマットを導入しました。
参考スコア（独自算出の注目度）: 1.3980986259786223
License:
Abstract: In this research work, we present our open-source Geant4-based Monte-Carlo simulation application, called RadField3D, for generating threedimensional radiation field datasets for dosimetry. Accompanying, we introduce a fast, machine-interpretable data format with a Python API for easy integration into neural network research, that we call RadFiled3D. Both developments are intended to be used to research alternative radiation simulation methods using deep learning.
Abstract（参考訳）: 本研究では,オープンソースのGeant4ベースのモンテカルロシミュレーションアプリケーションであるRadField3Dについて,ドシメトリのための3次元放射場データセットを生成する。伴って、RadFiled3Dと呼ばれるニューラルネットワーク研究への統合を容易にするために、Python APIを使った高速で機械解釈可能なデータフォーマットを導入しました。どちらの開発も、ディープラーニングを用いた代替放射線シミュレーション手法の研究に使用されることを意図している。

関連論文リスト

fMRI-3D: A Comprehensive Dataset for Enhancing fMRI-based 3D Reconstruction [50.534007259536715]
我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4768個の3Dオブジェクトを展示する。我々は,fMRI信号から3次元視覚情報を復号化するための新しいフレームワークMinD-3Dを提案する。
論文参考訳（メタデータ） (2024-09-17T16:13:59Z)
R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文参考訳（メタデータ） (2024-05-31T08:39:02Z)
EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文参考訳（メタデータ） (2024-05-27T17:19:02Z)
GauU-Scene V2: Assessing the Reliability of Image-Based Metrics with Expansive Lidar Image Dataset Using 3DGS and NeRF [2.4673377627220323]
本稿では,新しい3次元表現手法を用いたマルチモーダルな大規模シーン再構築ベンチマークを提案する。 GauU-Sceneは6.5平方キロメートル以上をカバーし、LiDARの地上真実と組み合わせた総合的なRGBデータセットを備えている。ドローンによるデータセットのためのLiDARおよび画像アライメント手法を最初に提案する。
論文参考訳（メタデータ） (2024-04-07T08:51:31Z)
Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文参考訳（メタデータ） (2024-03-07T00:12:08Z)
LiDAR Data Synthesis with Denoising Diffusion Probabilistic Models [1.1965844936801797]
3D LiDARデータの生成モデリングは、自律移動ロボットに有望な応用をもたらす新たな課題である。我々は,多種多様かつ高忠実な3Dシーンポイント雲を生成可能な,LiDARデータのための新しい生成モデルR2DMを提案する。本手法は拡散確率モデル (DDPM) を用いて構築され, 生成モデルフレームワークにおいて顕著な結果が得られた。
論文参考訳（メタデータ） (2023-09-17T12:26:57Z)
Normal Transformer: Extracting Surface Geometry from LiDAR Points Enhanced by Visual Semantics [6.516912796655748]
本稿では,3次元点雲と2次元カラー画像から正規分布を推定する手法を提案する。我々は,視覚的セマンティクスと3次元幾何データのハイブリッド情報を活用することを学ぶトランスフォーマーニューラルネットワークを開発した。
論文参考訳（メタデータ） (2022-11-19T03:55:09Z)
It's All Around You: Range-Guided Cylindrical Network for 3D Object Detection [4.518012967046983]
本研究は,360度深度スキャナーによって生成された3次元データを解析するための新しい手法を提案する。距離誘導畳み込みの概念を導入し,エゴ車と物体のスケールからの距離で受容場を適応させる。我々のネットワークは、現在の最先端アーキテクチャに匹敵するnuScenesチャレンジにおいて、強力な結果を示す。
論文参考訳（メタデータ） (2020-12-05T21:02:18Z)
Manual-Label Free 3D Detection via An Open-Source Simulator [50.74299948748722]
我々は、CARLAシミュレータを利用して、大量の自己ラベル付きトレーニングサンプルを生成する手動ラベルフリーな3D検出アルゴリズムを提案する。ドメイン適応型VoxelNet(DA-VoxelNet)は、合成データから実際のシナリオへの分散ギャップを横断することができる。実験の結果、提案されたDA 3D検出器は、KITTI評価セット上で76.66%と56.64%のmAPを達成することができた。
論文参考訳（メタデータ） (2020-11-16T08:29:01Z)
DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文参考訳（メタデータ） (2020-04-02T17:48:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。